در دنیای امروز، امنیت زیرساختهای یادگیری ماشین به یکی از دغدغههای اصلی توسعهدهندگان تبدیل شده است. حالا «سافتنسور» (Safetensors)، قالب پرکاربرد ذخیرهسازی وزن مدل، رسماً بهعنوان یک پروژه میزبانشده در بنیاد PyTorch و زیر نظر بنیاد لینوکس پذیرفته شد. این اتفاق در ۸ آوریل ۲۰۲۶ اعلام شد و سافتنسور را در کنار ابزارهایی مانند DeepSpeed، Helion، Ray، vLLM و خودِ PyTorch قرار میدهد.
سافتنسور چگونه متولد شد؟
سافتنسور در ابتدا بهعنوان یک پروژه از Hugging Face آغاز شد. نیاز اولیه، ساخت قالبی برای ذخیره و بهاشتراکگذاری وزن مدلها بود که امکان اجرای کدهای دلخواه را نداشته باشد. پیش از آن، فرمتهای مبتنی بر pickle در اکوسیستم یادگیری ماشین رایج بودند و این فرمتها خطر اجرای کد مخرب را به همراه داشتند. در حالی که چنین ریسکی در روزهای اولیه توسعه یادگیری ماشین قابل چشمپوشی بود، با گسترش اشتراکگذاری مدلهای باز، این تهدید جدی و غیرقابل قبول شد.
طراحی ساده اما هوشمندانه
قالب سافتنسور عمداً ساده طراحی شده است: یک هدر JSON با محدودیت سخت ۱۰۰ مگابایت که فراداده تنسورها را توصیف میکند و پس از آن، داده خام تنسورها قرار میگیرد. این ساختار مزیتهای کاربردی مهمی دارد:
- بارگذاری بدون کپی (Zero-copy) که تنسورها را مستقیماً از روی دیسک نگاشت میکند؛
- بارگذاری تنبل (Lazy loading) که امکان خواندن وزنهای خاص را بدون واکشی کل checkpoint فراهم میکند؛
- حذف عملی غیرضروری deserialization و کاهش خطر اجرای کد مخرب.
پیوستن به بنیاد PyTorch چه تغییری ایجاد میکند؟
با پذیرش سافتنسور بهعنوان پروژهای میزبانشده، توسعه این قالب زیر نظر هیئت فنی بنیاد PyTorch و با رعایت قوانین بنیاد لینوکس ادامه مییابد. این انتقال، مسیر توسعه را شفافتر و پایدارتر میکند و به کاربران اطمینان میدهد که سافتنسور بهعنوان یک زیرساخت حیاتی در اکوسیستم هوش مصنوعی، با مشارکت جامعه متنباز رشد خواهد کرد.
پرسشهای پرتکرار
سافتنسور چیست؟
سافتنسور فرمتی باز برای ذخیره وزن مدلهای یادگیری ماشین است که برخلاف فرمتهای مبتنی بر pickle امکان اجرای کد دلخواه را نمیدهد و بارگذاری را ایمنتر میکند.
پیوستن به بنیاد PyTorch چه فایدهای دارد؟
این پروژه زیر نظر بنیاد لینوکس و با نظارت هیئت فنی PyTorch توسعه مییابد و همین موضوع شفافیت، پایداری و مشارکت جامعه متنباز را تقویت میکند.